PML之线性回归

Posted 2021-06-02 月疯

线性回归：

import matplotlib.pyplot as plt

x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]

plt.scatter(x, y)
plt.show()

import matplotlib.pyplot as plt
from scipy import stats
x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]



#slope表示斜率，intercept表示偏置，r相关系数，p使用Wald检验和检验统计量的t分布，对假设检验的两侧p值进行零假设，该假设的零假设是斜率为零。
#std_err在残余正态性假设下，估计坡度（梯度）的标准误差。
slope, intercept, r, p, std_err = stats.linregress(x, y)

def myfunc(x):
    return slope * x + intercept
#产生一个新的y值，就是回归线的y值
mymodel = list(map(myfunc, x))
plt.scatter(x, y)
plt.plot(x, mymodel)
plt.show()

用法：

输入已知的x的数值，就可以获取y值的预测值。查看这些数据是否适合用新型回归，看看r的值，r越小表示回归预测越差。